透过双棱镜：图数据增强在图分类中的光谱视角
内容提要
该文综述图数据增强与图对比学习研究，涵盖基于对称拉普拉斯特征值的图裁剪增强、全局随机游走子图对齐、频谱扩增拓扑扩充、GASSER频谱定向扰动、不完全幂迭代光谱增强及GAug框架，并总结图增强分类法、去相关架构与双通道筛选器，以提升泛化性、鲁棒性与节点分类性能。
延伸解读
光谱视角为何重要
文章将多项图数据增强研究串联在“光谱”这一线索下：从对称拉普拉斯特征值裁剪、频谱扩增，到GASSER的定向频率扰动，再到不完全幂迭代的光谱增强。这些方法共同表明，增强不只是随机删边或加噪，而是可以在频域中有针对性地改变图结构或特征，从而影响对比学习所捕获的不变性。读者可借此理解光谱分析如何为增强策略提供可解释的调控维度。
增强策略的多样性与互补性
文中列举的增强手段覆盖局部子图对齐、全局随机游走、拓扑扩充和频谱扰动等不同层面。其中不完全幂迭代方法被明确描述为“与其他增强策略互补且兼容各种对比损失”，说明这些技术并非互相替代，而是可组合使用。对实践者而言，这意味着设计增强流程时不必局限于单一策略，而可根据任务特点搭配结构扰动与特征频谱调整。
从增强到架构改进的延伸
除了数据增强，文章还纳入去相关架构和双通道筛选器两项工作。前者针对不光滑频谱引发的相关问题，旨在支持更深网络和更强过滤器；后者用双通道筛选器替换传统聚合操作，防止节点表示失去区分度，并在9个节点分类任务上报告了提升。这提示读者：光谱视角不仅用于生成增强视图，也可指导GNN内部聚合与滤波设计，两者共同服务于泛化性与节点分类性能。
Q&A
图数据增强中，基于对称拉普拉斯特征值的裁剪方法有什么作用？
该方法基于对称拉普拉斯特征值进行图形裁剪增强，并通过全局随机游走的局部子图对齐来改进图对比学习，在不同类型的图表现中体现出更好的性能。
GASSER方法是如何在频谱域中扰动图结构的？
GASSER在图的频谱域中对特定频率的图结构进行有针对性的扰动，边缘扰动受频谱提示的指导。实验证明这种扩增视图是适应性的、可控的，并且启发式地符合图结构的同质比和频谱。
不完全幂迭代的光谱增强方法有什么特点？
该方法通过不完全的幂迭代部分平衡特征图的频谱并注入噪声，实现光谱增强，提高泛化能力，并且与其他增强策略互补、兼容各种对比损失。
GAug框架如何提升图神经网络的节点分类性能？
GAug是一个图数据增强框架，通过神经边缘预测器有效地提高节点分类性能。实验表明，GAug的数据增强可以提高GNN的性能，适用于多种基准数据集和架构。
图数据增强方法有哪些常见的分类方式？
综述文章从数据、任务和学习三个角度介绍了三种不同的分类图数据增强方法的方式，并提出了增强信息模态分类的分类法。
去相关设计架构如何改善图神经网络性能？
去相关设计架构旨在消除不光滑频谱引起的相关问题，允许更深的体系结构和更强的过滤器，最终提升学习图表征的性能。
双通道筛选器为什么能提升节点分类表现？
双通道筛选器替换传统图神经网络中的聚合操作，避免节点表示逐渐失去标识并变得不可区分，从而在9个节点分类任务上获得显著表现提升。
